Fine-tuning pretvara AI iz svestranog pomoćnika u stručnjaka za određeni posao

1. Uvod: zašto se upravo sada govori o fine-tuningu

U mnogim organizacijama AI već djeluje poput novog zaposlenika: brz je, neumoran i iznenađujuće sposoban. Ipak, često je previše usmjeren na opće zadatke.

Zna pisati, sažimati, analizirati i predlagati ideje. No ne poznaje nužno način na koji tvrtka razgovara s klijentima, nepisana pravila struke, ton brenda ni iznimke koje su presudne u svakodnevnom radu.

Tu na scenu stupa fine-tuning.

Fine-tuning znači dodatno treniranje prethodno treniranog AI modela vlastitim, pažljivo odabranim podacima. Ideja je jednostavna: umjesto da opći model svaki put moliš da postupi na određeni način, trajnije ga učiš kakve odgovore želiš.

To nije čarobni štapić. Fine-tuning ne popravlja lošu strategiju, neispravne podatke ni nejasan proces. Pravilnom primjenom ipak može učiniti AI mnogo korisnijim: smanjiti nagađanje, povećati dosljednost i bolje ga prilagoditi stvarnom radu organizacije.

2. Što znači fine-tuning?

Fine-tuning je dodatno treniranje AI modela.

Polazište je velik, prethodno treniran model koji je iz goleme količine podataka naučio jezik, strukture i opće obrasce svijeta. Fine-tuning ga dodatno trenira na užem skupu podataka: primjerice odgovorima korisničke podrške, klasifikacijama pravnih tekstova, podacima tehničke podrške ili primjerima pisanja u skladu s brendom.

Jednostavna usporedba:

Prethodno treniran AI model nalikuje vještom novinaru opće prakse. Zna pisati o mnogim temama, ali ne poznaje stil, klijente ni interne prakse tvoje tvrtke.

Fine-tuning je poput uvođenja u posao. Modelu pokazujemo desetke, stotine ili tisuće primjera dobrog odgovora u konkretnom okruženju.

Google opisuje nadzirani fine-tuning kao metodu kojom model na primjerima uči novu vještinu ili željeni način rada. Primjenjuje se, primjerice, za klasifikaciju, sažimanje, izdvajanje podataka i sastavljanje odgovora za određenu struku.^[1]

Važno je razumjeti sljedeće: fine-tuning prije svega ne pretvara model u skladište podataka. Uči ga bolje obavljati određeni zadatak.

3. Fine-tuning, zadavanje uputa i RAG — u čemu je razlika?

Mnoge organizacije miješaju tri stvari: zadavanje uputa, RAG i fine-tuning.

Zadavanje uputa znači davanje uputa modelu. Primjerice: „Napiši ljubazan, kratak i stručan odgovor.” To je brz i jeftin način poboljšanja rezultata.

RAG odnosno retrieval-augmented generation znači da AI traži informacije koje će poduprijeti odgovor u vanjskom izvoru, primjerice dokumentima tvrtke, bazi podataka ili centru za pomoć. Dobar je izbor kada je problem ažurnost ili pronalaženje informacija.

Dodatno treniranje modela pak mijenja način rada modela. Koristan je kada stalno trebamo jednaku kvalitetu, stil, strukturu, klasifikaciju ili logiku odlučivanja.

Praktično pravilo:

• Primijeni zadavanje uputakada trebaš brzo poboljšanje.
• Primijeni RAGkada model treba pronaći ažurne informacije ili podatke specifične za tvrtku.
• Primijeni fine-tuningkada model treba naučiti određen način odgovaranja, razvrstavanja, pisanja ili postupanja.

Dokumentacija Microsofta sažima praktične prednosti fine-tuninga: može poboljšati kvalitetu u odnosu na samo zadavanje uputa, omogućiti korištenje više primjera nego što stane u kontekstni prozor, uštedjeti tokene kraćim uputama i smanjiti latenciju, osobito kod manjih modela.^[2]

4. Zašto fine-tuning djeluje?

Fine-tuning djeluje zato što AI modeli uče iz primjera.

Kada modelu pokažemo mnogo kvalitetnih primjera pretvaranja određenog ulaza u ispravan odgovor, počinje oponašati taj obrazac. Ne pamti samo pojedinačne odgovore, nego uči što je bitno, koji je ton primjeren, kojim redoslijedom iznijeti informacije i koje pogreške izbjegavati.

U korisničkoj podršci fine-tuning može, primjerice, naučiti model da dobar odgovor:

• prepoznaje problem klijenta,
• najprije izravno odgovara na pitanje,
• potom daje upute za postupanje,
• ne obećava ono što tvrtka ne može isporučiti,
• zadržava ton brenda.

To nije isto što i davanje duge upute na početku svakog razgovora. Fine-tuning dio uputa pretvara u unutarnji obrazac rada modela.

5. Kada je fine-tuning pravo rješenje?

Fine-tuning osobito odgovara situacijama u kojima se isti zadatak često ponavlja, a kriteriji uspjeha su jasni.

Primjeri prikladne primjene:

• ujednačavanje odgovora korisničke podrške,
• razvrstavanje dokumenata,
• oblikovanje prodajnih poruka u stilu tvrtke,
• sažimanje pravnih ili tehničkih tekstova,
• usmjeravanje zahtjeva za podršku,
• usvajanje stručnog nazivlja i načina izražavanja,
• učenje tona brenda,
• prilagodba manjeg i jeftinijeg modela određenom zadatku.

Fine-tuning nije najbolji izbor ako modelu nedostaju aktualne činjenice. Tada je RAG često bolji.

Ako pitanje glasi: „Što naš najnoviji cjenik kaže o ovom proizvodu?”, model treba pronaći podatak u izvoru.

Ako pitanje glasi: „Kako naša tvrtka odgovara na ovakve poruke klijenata?”, fine-tuning može biti izvrsno rješenje.

6. Perspektiva tvrtke: vlastiti jezik, kontekst i kvaliteta

Svaka organizacija ima svoj jezik.

Banka komunicira drukčije od tvrtke koja razvija igre. Javni sektor drukčije od rastuće tvrtke. Poliklinika ne može odgovarati istim stilom kao internetska trgovina.

Najveća korist fine-tuninga često nije tehnička, nego kulturna. Pomaže AI-ju naučiti kakva je komunikacija u tvrtki kvalitetna.

To, primjerice, obuhvaća:

• kako klijentu objasniti pogrešku,
• kako obraditi prigovor,
• kako tehničku temu objasniti osobi bez tehničkog znanja,
• kako prodavač razgovara s različitim skupinama klijenata,
• kako strukturirati internu analizu za upravu.

Kvalitetan fine-tuning čini AI manje generičkim. Ne zvuči kao „umjetna inteligencija”, nego kao stručan zaposlenik organizacije.

7. Prilika za startupove: manji model, precizniji proizvod

Fine-tuning startupovima može biti osobito zanimljiv alat.

Velik opći model može biti skup, spor ili preširok za određenu primjenu. Fine-tuningom manji model možemo naučiti da jedan zadatak obavlja izvrsno. Time možemo smanjiti troškove i poboljšati korisničko iskustvo proizvoda.

Zamislimo B2B-SaaS tvrtku. SaaS znači softver koji se koristi kao usluga u oblaku uz pretplatu. Tvrtka razvija alat koji analizira povratne informacije klijenata i razvrstava ih po temama.

Tim u početku koristi opći model i upute. Rezultati su prihvatljivi, ali odgovori variraju. S rastom broja klijenata problemi s kvalitetom postaju vidljiviji.

Fine-tuningom tvrtka može naučiti model da povratne informacije razvrstava upravo u kategorije koje proizvod koristi. Rezultat može biti brži, jeftiniji i ujednačeniji.

Važna pouka za startup: fine-tuning nije samo tehnička značajka. Može biti konkurentska prednost.

8. Praktični primjeri

Loš primjer

Tvrtka odluči dodatno trenirati model zato što „to rade svi ostali”.

Podaci se prikupljaju na brzinu. U skup ulaze zastarjeli odgovori podrške, proturječne upute i nedovršeni dokumenti. Model nije temeljito testiran. Na kraju odgovara samouvjereno, ali pogrešnim tonom i povremeno na temelju starih podataka.

Problem nije bio u AI-ju, nego u lošoj pripremi.

Bolji primjer

Tvrtka odabire jednu primjenu: izradu nacrta odgovora na prigovore.

Tim prikuplja 300 kvalitetnih primjera ranijih odgovora. Provjeravaju ih pravna služba, korisnička podrška i tim za brend. Model se testira zasebnim podacima koje nije vidio tijekom treniranja.

Rezultati su bolji, ali konačne odgovore i dalje odobrava čovjek.

Izvrstan primjer

Tvrtka gradi cjelovit proces:

Najprije mjeri postojeću kvalitetu, zatim definira dobar odgovor. Čisti podatke i dodatno trenira model. Uspoređuje rezultate s početnim stanjem, razvrstava pogreške i postupno poboljšava model.

Tvrtka također određuje kada AI smije djelovati samostalno, a kada čovjek mora provjeriti odgovor.

To je zreo pristup fine-tuningu.

9. Podaci: sirovina za fine-tuning

Najvažnije pitanje fine-tuninga nije: „Koji model odabrati?”

Najvažnije je pitanje: „Imamo li dovoljno kvalitetnih podataka?”

Kvalitetni podaci za fine-tuning su:

• reprezentativni,
• kvalitetni,
• ažurni,
• dosljedni,
• provjereni,
• relevantni za odabranu primjenu.

Loši podaci model uče lošim navikama. Ako stari odgovori podrške sadrže nejasan jezik, pogrešna obećanja ili zastarjele prakse, fine-tuning može upravo njih učvrstiti.

Zato je projekt fine-tuninga često više urednički i poslovni pothvat nego samo tehnički posao.

Netko mora odlučiti što je dobar odgovor.

10. Rizici i zamke

Fine-tuning nosi više rizika.

Prvi je prekomjerno prilagođavanje. Model pretjerano usvaja pojedinosti podataka za treniranje i slabo ih primjenjuje u novim situacijama.

Drugi je rizik pogrešna namjena. Fine-tuning se koristi za ažuriranje činjenica, iako bi pravo rješenje bio RAG ili pretraživanje baze podataka.

Treći je rizik curenje podataka. Ako podaci za treniranje sadrže osobne podatke, poslovne tajne ili osjetljive podatke klijenata, s njima treba postupati iznimno pažljivo.

Četvrti je rizik lažna sigurnost. Dodatno treniran model može djelovati pouzdanije jer govori glasom organizacije. To ipak ne znači da je uvijek u pravu.

NIST-ov profil rizika generativne umjetne inteligencije ističe, među ostalim, halucinacije, informacijsku sigurnost, privatnost, autorska prava, pristranosti i rizike lanca vrijednosti. Fine-tuning ih ne uklanja; uz loše podatke i slab nadzor neki mogu postati još izraženiji.^[3]

11. Etička i pravna perspektiva

U Europi fine-tuning ne možemo promatrati odvojeno od propisa.

Akt EU-a o umjetnoj inteligenciji stupio je na snagu 1. kolovoza 2024., a većina njegovih pravila počinje se primjenjivati 2. kolovoza 2026. Obveze za nove modele umjetne inteligencije opće namjene stavljene na tržište počele su se primjenjivati već 2. kolovoza 2025.^[4]

Za tvrtku to znači barem tri stvari.

Prvo treba razumjeti ulogu tvrtke: koristi li tuđi model, mijenja li ga ili klijentima nudi vlastiti AI sustav.

Drugo, treba dokumentirati koji se podaci koriste i zašto.

Treće, treba procijeniti rizike. Dodatno trenirati model za nacrte marketinških tekstova nije isto što i trenirati ga za pomoć pri odlučivanju u zdravstvu.

Kodeks prakse EU-a za modele umjetne inteligencije opće namjene obuhvaća, među ostalim, transparentnost, autorska prava te sigurnost i informacijsku sigurnost.^[5]

Odgovoran fine-tuning stoga ne znači samo „napraviti boljeg bota”. Uključuje upravljanje podacima, rizicima i organizacijom.

12. Budućnost: kako će se fine-tuning razvijati?

Budućnost fine-tuninga neće obilježiti jedna velika promjena, nego više usporednih smjerova razvoja.

1. Manji specijalizirani modeli postaju sve rašireniji

Najveći mogući model nije potreban za svaki zadatak. Mali, dobro prilagođen model često može biti razumniji izbor: jeftiniji, brži i lakši za upravljanje.

2. Fine-tuning i RAG povezuju se

Najbolja buduća rješenja neće se ograničiti na jednu metodu. Model možemo dodatno trenirati za željeno postupanje, dok mu RAG donosi ažurne informacije.

U praksi: fine-tuning uči „kako odgovoriti”, a RAG osigurava „na čemu se odgovor temelji”.

3. Evaluacija postaje najvažnija konkurentska prednost

Treniranje modela postaje jednostavnije. Presudni postaju mjerenje kvalitete, razvrstavanje pogrešaka i upravljanje rizicima.

Tvrtke koje sustavno procjenjuju rezultate AI-ja napredovat će brže od ostalih.

4. Vlastiti podaci organizacije dobivaju novu vrijednost

Najbolji razgovori s klijentima, prodajni pozivi, odgovori podrške i stručne analize više nisu samo arhiva. Oni su materijal za treniranje.

Ali samo ako su kvalitetni i upotrebljivi.

5. Propisi pretvaraju nestrukturirano eksperimentiranje u profesionalan rad

Fine-tuning postupno prelazi iz eksperimenata u kontrolirane procese. Dokumentacija, revizija i informacijska sigurnost nisu prepreke, nego preduvjeti za primjenu AI-ja u važnim zadacima.

13. Zaključci

Fine-tuning je jedan od najučinkovitijih načina da AI postane korisniji organizaciji.

Njegova vrijednost nije u tome da model „zna više”, nego da određeni zadatak obavlja bolje.

Može pomoći tvrtki dosljednije komunicirati s klijentima, brže obrađivati informacije, graditi bolje proizvode i proširiti kapacitet stručnog rada.

No fine-tuning traži disciplinu. Najprije treba znati što želiš poboljšati, zatim prikupiti odgovarajuće podatke, pa mjeriti, testirati i nadzirati.

Najbolje pitanje nije: „Možemo li dodatno trenirati model?”

Bolje je pitanje: „Koji nam je zadatak toliko važan i učestao da njegovu kvalitetu vrijedi temeljito naučiti AI?”

Tada fine-tuning iz tehničkog pojma postaje poslovni alat.

14. Praktični modeli i predlošci

A. Model odlučivanja: trebaš li fine-tuning?

Postavite ovih pet pitanja:

1. Ponavlja li se zadatak često?
2. Možemo li jasno definirati dobar rezultat?
3. Imamo li kvalitetne primjere?
4. Nije li dovoljno samo zadavanje uputa?
5. Treba li model naučiti način postupanja, a ne samo tražiti informacije?

Ako na barem četiri pitanja odgovoriš potvrdno, fine-tuning može biti razuman izbor.

B. Predložak za početnike

1. Odaberi jednu usko definiranu primjenu.
2. Prikupi 50–100 kvalitetnih primjera.
3. Definiraj što odgovor čini kvalitetnim.
4. Najprije testiraj zadavanjem uputa.
5. Dodatno treniraj model tek ako se problem ponavlja.
6. Usporedi rezultate s početnim stanjem.
7. Zadrži čovjeka u kontroli kvalitete.

C. Predložak za napredne korisnike

1. Izradi skup za evaluaciju koji model neće vidjeti tijekom treniranja.
2. Označi vrste pogrešaka: činjenice, ton, struktura, nedostajući podaci, pogrešan zaključak.
3. Izradi prvu verziju dodatno treniranog modela.
4. Izmjeri rezultate.
5. Poboljšaj podatke, a ne samo model.
6. Dodaj RAG ako je problem povezan s ažurnošću informacija.
7. Dokumentiraj verzije, izvore podataka i rizike.

D. Radni predložak za tim

Ispunite zajedno:

• Slučaj upotrebe:
• Zašto je to važno:
• Postojeći problem:
• Kriteriji kvalitetnog odgovora:
• Izvori podataka za treniranje:
• Tko odobrava podatke:
• Što se ne smije koristiti za treniranje modela:
• Kako se mjeri kvaliteta:
• Kada čovjek provjerava odgovor:
• Kada model treba ažurirati:

E. Kontrolni popis prije fine-tuninga

• Podaci su provjereni.
• Osobni podaci uklonjeni su ili obrađeni na odgovarajući način.
• Zastarjeli primjeri su uklonjeni.
• Kvalitetan odgovor jasno je definiran.
• Testni skup odvojen je od podataka za treniranje.
• Rizici su procijenjeni.
• Primjena je jasno ograničena.
• Rezultati se uspoređuju s početnim stanjem.
• Korištenje modela dokumentira se.
• Uloga čovjeka jasno je određena.

F. Sažetak u jednoj rečenici

Fine-tuning ima smisla kada AI ne treba samo znati više, nego dosljedno bolje raditi u skladu s načinom rada tvoje organizacije.

Izvori

1. Introduction to tuning — Generative AI on Vertex AI, Google Cloud Documentation
2. Customize a model with fine-tuning — Microsoft Foundry
3. Artificial Intelligence Risk Management Framework: Generative AI Profile — NIST
4. Akt o umjetnoj inteligenciji — oblikovanje europske digitalne budućnosti, Europska komisija
5. The General-Purpose AI Code of Practice — European Commission